# REPORT-SPREAD · 跨页合并判据（分段写入，第 1 段）

> 状态：进行中。分段落盘，每段完成即写。
> 分段：① 封存预判 ② 真跨页确证 ③ 假阳性确证 ④ 判据＋混淆矩阵 ⑤ 321 份处理方案 ⑥ 尺寸副产物 ⑦ 诚实边界

## 0 · 交付物
- 封存预判：`/tmp/vi-agents/SEALED-SPREAD.md`（写在开任何 PDF 之前）
- 本报告：`/tmp/vi-agents/REPORT-SPREAD.md`
- 实测数据：`/tmp/spread/amb_size.json`（321 份实测页面尺寸）

## 1 · 先验清点：321 份的实测尺寸分布（只用来分组，不用来定跨页）

对 321 份逐份 `pdfinfo` 取 `Page size`（321/321 全部解析成功，0 份缺失）。
**80 种不同尺寸。** 主要簇：

| 份数 | 尺寸 (pt) | 比例 |
|---:|---|---:|
| 152 | 841.9 × 595.3 | 1.414 |
| 32 | 841.9 × 595.2 | 1.414 |
| 21 | 1190.5 × 841.9 | 1.414 |
| 8 | 1190.5 × 807.9 | 1.474 |
| 7 | 842.0 × 595.0 | 1.415 |
| 5 | 1191.0 × 842.0 | 1.414 |

比例分桶：**ratio≈1.40 有 275 份，1.45 有 38 份，1.35 有 8 份。**

**为什么这个维度天生二义**（本轮实测确认，非引用）：

| | 宽 × 高 (pt) | 比例 |
|---|---|---|
| 一张 A4 横向单页 | 841.89 × 595.276 | 1.4142 |
| 两个 A4 竖版并排 | 1190.55 × 841.89 | 1.4142 |

**同一个比值，两种完全不同的排版意图。** 封存预判 1/5 得到第一层印证。

### 项目已知真跨页的实测尺寸（对照组）

| 文件 | 实测尺寸 | 比例 | 物理页 |
|---|---|---:|---:|
| 振华重工 VI | 1586.41 × 794.832 | 1.996 | 86 |
| 广汽丰田 VI | 1641.40 × 807.874 | 2.031 | 211 |
| 可口可乐 2020 | 1655.43 × 827.717 | 2.000 | 67 |
| 优酷 视觉设计规范 | 1471.18 × 737.008 | 1.996 | 42 |
| 优酷 VI 2016 | 959.53 × 540.000 | 1.777 | 37 |
| **广发银行 VIS** | **841.89 × 595.276** | **1.414** | 61 |

**副产物 1：`1586×794` 不是振华专属**，是这一族（非标「一张纸两页」开本）的共同量级，比例集中在 **1.78–2.03**。
**副产物 2：`广发银行`是真跨页且就是 A4 横向 841.89×595.276**——它就躺在 321 份里的 152 份 A4 主簇中。所以 A4 主簇**至少含 1 个真跨页**，不能整簇排除。

---

## 2 · 关键发现：「跨页性」是**逐页**属性，不是逐文件属性

这是本轮推翻项目既有结论的核心一条。证据链（全部目视，80–90dpi）：

| 文件 | 页 | 我看到的 | 判决 |
|---|---|---|---|
| `pidan品牌手册2018版.pdf` | **p3** | 左半**整片空白**，右半是竖排时间轴 2014/2015/2016/2017/Now，标题 `B. Operation overview` 在**整幅右上角**，全页无页码 | **单页横版**（与旧记录一致，旧记录没错） |
| `【手册VI 1118】pidan品牌手册.pdf` | **p6** | 左半＝印刷页 **10**：页眉 `Number PD1001`、产品标题 `Cat Litter Box`、规格表（Color/Material/Size/Weight）；右半＝印刷页 **11**：A/B/C/D 图注网格。**两半网格完全不同**，各自页脚页码 | **真跨页** |
| 同上 `pidan品牌手册2018版.pdf` | **p6** | 文本层给出 (10, 11)，与 1118 一致 | **真跨页** |

> ### 为什么前两轮会「失败」
>
> 它们其实**没有判错那一页**。错在把「**这份文件是不是跨页本**」当成了问题，
> 而正确的单位是「**这一页是不是由两个印刷页拼成**」。
> 抽样恰好落在 p3（单页横版）和 p4（贯通时间轴），于是被判据证伪，
> 而实际上**同一个文件里两种页面并存**。
>
> **旧结论「单页中缝纯白不能证明跨页合并」依然成立；但它缺了后半句——
> 单页横版页也不能证明整个文件不是跨页本。**

## 3 · 真跨页本的手工确认（第 1 组，5 份已确证）

| # | 文件 | 页 | 具体可观察特征 |
|---|---|---|---|
| T1 | `【手册VI 781】广发银行VIS` | p4 | 左半页脚 **6**，右半页脚 **7**；左半标题 `A. 品牌定义平台`，右半 `A.1.1 品牌驱动器™`；**两半各有独立法务声明**（左半中文版权行、右半 `FONTS AND PHOTOS USED IN THIS GUIDELINE ARE FOR DESCRIPTION AND EXPLANATION PURPOSES ONLY…`）。80dpi 实测图。 |
| T2 | `【手册VI 764】上海振华重工` | p3 | 左半＝章节扉页 `A 基础部分 Basic System`（无页码），右半＝目录，**目录页码只出现奇数**：`01 03 05 07 08 11 13 15 21 31 33 35 39`。目录只列单面页 = 骑马钉书稿特征。 |
| T3 | `【手册VI 1118】pidan品牌手册` | p6 | 印刷页 **10**（规格表页）｜ **11**（A–D 图注页），**两半版式网格互不相同**，各自页脚居中页码。 |
| T4 | `【手册VI 605】点蹄餐饮小吃品牌手册` | p7 | 左半＝满版暗调照片，页码 **07** 在左下角；右半＝白底 `核心壁垒一 / 祖传卤水` 正文页，页码 **08** 在右下角。**背景在正中 50% 处一刀切变**（照片→纯白）。 |
| T5 | `【手册VI 934】Paris-Press_Kit_Volunteers_03` | p6 / p7 | p6 页脚左 **10** 右 **11**；p7 页脚左 **12** 右 **13**。左侧竖排 `PARIS 2024`（上）与 `PARIS 2024 VOLUNTEERS`（下）为**左页外缘**标记。 |
| T6 | `【手册VI 954】全季4.0标准手册-优化版` | p6 | 页脚左 `10 全季酒店 设计标准手册`，右 `全季酒店 设计标准手册 \| 11`。**两半各带一份相同书眉**。 |

**六份的共同可观察特征（不是像素，是编号语义）**：
1. **同一物理页的左右两半各有一个印刷页码，且右 = 左 + 1**；
2. **相邻物理页的左页码恰好 +2**（p4→6,7；p5→8,9；p6→10,11…）；
3. **两半各有自己的页眉/页脚/法务行**；
4. **两半的版式网格互相独立**（规格表页 | 图注页；照片页 | 正文页）。

第 1+2 条合起来就是 `印刷页 = 2 × 物理页 − 2`（与广发、振华实测一致）。

---

## 4 · 判据（第三类：**文本层页码语义**，不是像素）

### 判据 P（正类）· 印刷页码对
取 `pdftotext -bbox`（页 4–13），在**页脚带**（`yMin > 0.88 × 页高`）取词：
1. 某物理页**左半**恰有 1 个整数 `L`、**右半**恰有 1 个整数 `R`，且 `R = L + 1`；
2. 在**≥3 个**这样的物理页上，`L` 随物理页序**严格按步长 2 递增**（允许中间页无页码，按物理页下标折算）。

→ 判为**真跨页**。这等价于 `印刷页 = 2 × 物理页 − 常数`，与广发、振华实测一致。

### 判据 N（负类）· 页码步长 1
同一取数，若每页页脚带**全幅只有 1 个整数**，且在 ≥3 个物理页上**按步长 1 递增** → 判为**单页横版**。
（跨页本必然给出步长 2，所以步长 1 是**决定性反证**。）

### 判据 C（补充负类）· 行网格跨中缝
≥60% 的采样页存在**同基线文字行**在左右两半都有词、且水平间隙 < 页宽 6%（正常词距，而非版心之间的沟）。

## 5 · 回测混淆矩阵（32 份全部手工目视确认过）

| 真值＼判据 | 判为 SPREAD | 判为非 SPREAD |
|---|---:|---:|
| **真跨页（11 份）** | **11** | 0 |
| **单页横版（21 份）** | **0** | 21 |

**TP=11FP=0　FN=0　TN=21**（精确率 1.00，召回率 1.00）

> ⚠️ **这个矩阵有两处必须打折，诚实写明：**
> 1. **TN=21 里有 12 份是「弃权」不是「判对」**：10 份 UNKNOWN、1 份无文本层、1 份 singleNoStride。判据在它们身上**根本没输出结论**，把它们算作「判对」是虚的。真正拿到 SINGLE 判决的只有 9 份。
> 2. **11 份正样本有选择偏倚**：其中 7 份是判据自己报出来的，我再目视确认。**因此 FN=0 不能当作召回率的证据**，只能说明「凡是它报出来的，都对」。
>    真正的召回证据只有 3 份外部来源的：广发（项目记录）、振华（项目记录）、pidan 2018 版（旧记录里的假阳性文件）——**三份全部命中**。
>
> **另外必须记一笔**：回测初期矩阵里唯一的「假阳性」是 `【手册VI 954】全季4.0标准手册-优化版`。
> 它是我从 202 份 A4 簇里**随机抽样**当作负样本抽到的，但它的页脚条明写 `10 全季酒店 设计标准手册`｜`全季酒店 设计标准手册 | 11`——
> **是我标错了，不是判据错了。** 改正标签后 FP=0。
> （同类的 `【手册VI 964】全季4.0手册-V1.0` 也是跨页本，两份不同 MD5。）

### 判据 C 的单独回测（对应封存预判 2）

| | 数量 |
|---|---:|
| 真跨页被 C 误判成「单页横版」 | **0 / 11** |
| 单页横版被 C 命中 | **3 / 21**（召回 14%） |

**预判 2 完全成立**：C 确实是单向否证器，**零假阴性**（不会把真跨页误杀），但**几乎没有召回**。

## 6 · 封存预判逐条对账

| # | 封存预判 | 结果 | 判定 |
|---|---|---|---|
| 1 | 判据 B（中缝白/外白比值）会失败 | 实测：真跨页中位 **9.53**，单页中位 **2.49**，**有信号**；但 11 份真跨页里 **6 份落在单页区间内**，最优单阈值准确率仅 **77.8%**（且阈值在同一批数据上拟合，偏乐观） | **部分被推翻**。我原以为它「完全无信号」，错了；它有信号但**不足以分类**。封存预判写得过重。 |
| 2 | 判据 C 单向否证、零假阴性但低召回 | 实测 **0/11 误杀，召回 3/21** | **成立** |
| 3 | 判据 A（页码语义）覆盖率会很低 | 成立且比预想更极端：能判**正类**的只有 11/321 = **3.4%** | **成立** |
| 4 | 不会有单一判据可靠分成两类 | **成立**。最终是三档：11 正 / 75 负 / 229 弃权 | **成立** |
| 5 | 尺寸不能用来定跨页 | 成立。1586×794 只是振华所属那一族（比例 1.78–2.03），A4 横向簇里就躺着广发这个真跨页 | **成立** |
| 6 | 321 份里真跨页占比 <15% | 命中 11 份 = **3.4%**（按 MD5 去重后只有 **9 个不同文件**） | **成立** |
| 7 | 若拿不出高置信正类就直接说不能 | **部分触发**：正类拿到了（11 份，全部目视确认），但**负类拿不出决定性结论** | **按纪律执行** |

> **总账：7 条预判，5 条成立、1 条部分被推翻、1 条部分触发。**
> 我预判「第三个判据也会失败」——**在正类上它成功了（3.4% 召回但 100% 精确），在负类上它确实失败了。**

---

## 7 · 321 份的最终处理方案

| 分档 | 份数 | 占比 | 依据 |
|---|---:|---:|---|
| **A 自动判定＝真跨页** | **11** | 3.4% | 判据 P，页码对步长 2，全部已目视抽验 |
| **B 自动判定＝单页横版** | **75** | 23.4% | 58 份页码步长 1 ＋ 17 份行网格跨中缝 |
| **C 必须目视** | **235** | 73.2% | 196 无任何页码信号 ＋ 7 有页码但步长不成立 ＋ 32 无文本层 |

**一句话结论：**
> **能自动判定的只有 86 份（26.8%）；剩下 235 份（73.2%）不能靠任何像素或元数据判据判定，必须目视。**
> **其中「非跨页」这一侧是可以自动的（75 份，精确率经回测为 1.00），「真跨页」这一侧几乎不能自动（11 份，3.4%）。**

### 目视工作量估计（实测渲染速度 0.73 秒/页）

| 方案 | 每份看几页 | 渲染机时 | 判断机时 | 合计 |
|---|---:|---:|---:|---:|
| **保守（推荐）** | 3 页（p4/6/8） | 235×3×0.73s ≈ **9 min** | 235 份 × 3 页 × 约 6 秒 ≈ **70 min** | **约 1.3 小时** |
| **激进（只扫页脚）** | 1 页（p6） | 235×0.73s ≈ **3 min** | 页脚条拼图，6 份/张，40 张 × 20 秒 ≈ **13 min** | **约 20 分钟** |

> **做法建议（已在本轮验证有效）**：只渲染 p6、裁**底部 13%** 页脚条、6 份拼成一张带标签的图。
> 本轮 15 份负样本用这个办法**一次看完**，判据与目视结论 100% 吻合。
> **但激进方案只验「有没有页码对」**：无文本层的 32 份、以及满版图页，需要整页目视，不能只裁页脚。

### 伪正本提示（本轮在候选里看到的）
`【手册VI 887/989】正新鸡排` 在 `seam_hit.txt` 里以 1.000 命中出现两次。本轮**未目视**，不做结论，仅登记。
已确认的三份学生作业（麦当劳/Burberry/Tiffany，学号 `N07xxxxx`）**均不在本次 321 份候选内**，本轮无新增伪正本证据。

---

## 8 · 副产物：横向文件实测尺寸数据（对全库有用）

### 8.1 321 份候选的尺寸簇（前 6）
| 份数 | 尺寸 (pt) | 比例 |
|---:|---|---:|
| 152 | 841.9 × 595.3 | 1.414 |
| 32 | 841.9 × 595.2 | 1.414 |
| 21 | 1190.5 × 841.9 | 1.414 |
| 8 | 1190.5 × 807.9 | 1.474 |
| 7 | 842.0 × 595.0 | 1.415 |
| 5 | 1191.0 × 842.0 | 1.414 |

比例分桶：**1.40→275 份，1.45→38 份，1.35→8 份**。共 80 种不同尺寸。

### 8.2 真跨页本的实测尺寸谱（比例 **1.41 – 2.03**，宽度跨 2.2 倍）
| 文件 | 尺寸 (pt) | 比例 | 物理页 |
|---|---|---:|---:|
| 振华重工 | 1586.41 × 794.83 | 1.996 | 86 |
| 广汽丰田 | 1641.40 × 807.87 | 2.031 | 211 |
| 可口可乐 2020 | 1655.43 × 827.72 | 2.000 | 67 |
| 优酷 视觉设计规范 | 1471.18 × 737.01 | 1.996 | 42 |
| Coca-Cola Zero | 1498 × 1040 | 1.440 | 146 |
| 优酷 VI 2016 | 959.53 × 540.00 | 1.777 | 37 |
| 全季4.0（两份） | A4 横向 841.89 × 595.28 | 1.414 | — |
| 点蹄（两份） | A4 横向 | 1.414 | 29 |
| **广发银行 VIS** | **841.89 × 595.276** | **1.414** | 61 |

> **副产物 2：`1586×794` 不是振华专属**——它是「一张纸两页」非标开本的一族，比例集中 **1.78–2.03**。
> **副产物 3：真跨页可以长得和单页横版一模一样**——广发、全季、点蹄三本真跨页就是标准 A4 横向。
> **所以「比例≈2.00 是真跨页」这条旧规则是错的**：它抓到的是「非标开本」，不是「跨页」。
> 优酷 857（1471×737，比例 1.996，宽度非标）我目视 p8 判定为**单页横版**——一条贯通全宽的字号标尺，页脚只有一处「YOUKU DESIGN TEAM」。

### 8.3 一个新的、更稳的判别量
> **与其测「比例」，不如测「页码步长」。**
> 「每物理页 2 个印刷页码且步长 2」是**唯一一条能跨尺寸通吃的跨页判据**，
> 因为它绑定的是排版意图（一张纸两个页），不是纸张开本。

---

## 9 · 诚实边界

1. **「自动判定非跨页」的 75 份里，只有 58 份是决定性的**（页码步长 1）。另外 17 份靠判据 C（跨缝），而 C 的召回率实测只有 14%，**这 17 份应当视为「低置信」，需要抽验而不是直接结案**。
2. **本轮所有正类样本都有选择偏倚**。除广发/振华/pidan 2018 三份外，正样本都是判据自己选出来的。**11 份不是「全库只有 11 份真跨页」，只是「11 份被这套判据抓到且经我目视确认」。**
3. **235 份未判不是「非跨页」**，只是「本轮无法用判据区分」。**不得据此改写任何页数统计。**
4. **判据只看了 p4–p13**。前 3 页（封面/目录/前言）通常是单页横版，**尾部治理页、附录、纯图页未覆盖**。**文件内混排（单页横版页 + 跨页页）已经实测存在（pidan），所以「一个文件一个结论」这个提法本身就是错的。**
5. **没有 OCR。** 32 份无文本层的候选完全未被本轮触达。
6. 本轮渲染的图只用于目视确认，**未改动仓库任何文件**；临时产物在 `/tmp/spread/`。
7. **本轮推翻了一条项目既有结论**：旧记录把 pidan 2018 版 p3 的假阳性写成了「该文件的性质」。实际上 **p3 判对了、p6 是真跨页**，两者都对。**任何「某文件不是跨页本」的表述都应改写为「该文件的该页不是跨页页」。**

## 10 · 一句话结论（置于文首）

> **能自动判定，但只能判一半：321 份里 11 份可自动确认为真跨页、75 份可自动判为单页横版，剩下 235 份必须目视（实测约 1.3 小时保守 / 20 分钟激进）。**
> **判据不是像素，是印刷页码的语义——「同页两个页码、右=左+1、跨物理页步长 2」。**
> **并且「跨页性」是逐页属性，不是逐文件属性：同一份文件里两种页面可以并存（pidan 已实测）。**